おおよその推論これは、トレーニングに仮説検証ロジックを使用するモデルのトレーニング方法であり、その中心的なタスクは、特定の分布の下で関数の期待値を計算したり、周辺確率分布や条件付き確率分布などを計算したりすることです。

通常、積分や総和の演算が必要で、パラメータの条件が明確でなかったり、計算コストが比較的高かったりするため、近似推論法を使用することでコストを削減し、結果を導き出す難易度を下げることができます。

近似推論方法

ランダム法: ギブス サンプリング法は、多数のサンプルを通じて真の事後分布を推定し、実際のデータに基づいてターゲット分布を近似します。

利点: より正確で、比較的単純なサンプリングプロセス、操作が簡単、理論的収束が良好です。

短所：収束速度が遅く、収束度合いの判断が難しい。

変分法: 既知の単純な分布をいくつか使用して、事後分布を近似します。

利点: 分析ソリューション、計算オーバーヘッドが少ない、高速で大規模な問題に適用しやすい

短所: 導出プロセスは比較的複雑で、多くの人員が必要です。